MapReduce框架下的貝葉斯文本分類學習研究.pdf

1、文本分類是信息檢索與文本挖掘的重要基礎(chǔ)。目前,雖然很多文本分類算法都成功地應(yīng)用在各個領(lǐng)域,但單一文本分類算法容易導致構(gòu)造的分類器分類性能差、泛化能力弱。集成學習算法利用多個單分類器之間的差異,有效地改善了分類器的性能和泛化能力。然而,隨著網(wǎng)絡(luò)數(shù)據(jù)規(guī)模的急劇增長,傳統(tǒng)的集中式系統(tǒng)框架難以滿足集成學習和海量文本數(shù)據(jù)分析處理要求的存儲空間和計算能力。并行計算的出現(xiàn)使大規(guī)模文本數(shù)據(jù)集的集成分類學習成為可能。Google的MapReduce并行編

2、程模型抽象度高,它封裝了并行處理底層的細節(jié)問題,為程序員設(shè)計及編寫并行程序提供了簡易的編程框架。
　　 本文通過分析樸素貝葉斯的可加性,設(shè)計了基于MapReduce并行編程模型的TFIDF改進的貝葉斯文本分類算法,該算法利用五個MapReduce作業(yè)完成分類器的訓練和測試部分。在Hadoop分布式平臺上的實驗表明該算法構(gòu)造的分類器具有高數(shù)據(jù)容量、高效性和高性能的特點。進而通過對集成文本學習算法進行研究,結(jié)合Bagging算法的并

3、行特點,提出了基于MapReduce的貝葉斯集成文本分類器。該分類器的訓練首先用隨機屬性選擇構(gòu)建訓練子集的方法破壞了樸素貝葉斯的穩(wěn)定性,其次利用MapReduce框架下的貝葉斯文本分類算法作為基分類器對訓練子集進行學習,并行地產(chǎn)生多個基分類器。分類器的測試包括利用各個基分類器并行產(chǎn)生中間結(jié)果和對中間結(jié)果進行不加權(quán)投票得出最終結(jié)果兩個步驟。實驗結(jié)果表明該算法適用于大規(guī)模文本數(shù)據(jù)集的分類學習,同時具有高效性、準確性、高可靠性和易擴展性的優(yōu)點